BlueRoseNote/07-Other/AI/MacMini/未命名.md

# 前言
## 视频
- 【【搬运】M4 Mac Mini 集群【 Alex Ziskind】】 https://www.bilibili.com/video/BV17UzcYqEsc/?share_source=copy_web&vd_source=fe8142e8e12816535feaeabd6f6cdc8e

## 方法
- 官方 mlx.launch（推荐，轻量可控）
- Exo（可视化，一键集群）

# 豆包回答
如何使用MLX部署MacStudio群集？

在 Mac Studio 集群上用 MLX 做分布式推理 / 训练，核心是**统一环境、免密 SSH、低延迟网络、mlx.launch 调度**，推荐优先用 Thunderbolt 5 + RDMA 以获得最佳性能。

---

### 一、前置准备（所有节点必须一致）

1. **系统与硬件**
    
    - macOS 16.2+（支持 RDMA over Thunderbolt 5）
    - 网络：Thunderbolt 5 直连或交换机（推荐）；千兆 / 万兆以太网兜底
    - 每台 Mac Studio 启用 RDMA（仅需一次）：
        
        关机 → 长按电源键进 “启动选项”→ 选项 → 继续 → 实用工具 → 终端：
        
        bash
        
        运行
        
        ```bash
        rdma_ctl enable
        ```
        
        重启后验证：`rdma_ctl status`
2. **免密 SSH 与主机名**
    
    - 所有节点设静态主机名（如 `mac-studio-01`），编辑 `/etc/hosts` 写入所有节点的 IP 与主机名
    - 在主节点生成密钥并分发至所有节点：
        
        bash
        
        运行
        
        ```bash
        ssh-keygen -t ed25519 -N "" -f ~/.ssh/mlx-cluster
        for node in mac-studio-01 mac-studio-02; do
          ssh-copy-id -i ~/.ssh/mlx-cluster "$node"
        done
        ```
        
    - 测试：`ssh -i ~/.ssh/mlx-cluster mac-studio-02 hostname`
3. **统一 Python 环境**
    
    - 所有节点安装依赖：
        
        bash
        
        运行
        
        ```bash
        brew install python@3.12 uv openmpi  # openmpi 为 MPI 后端所需
        ```
        
    - 用 uv 创建并同步环境：
        
        bash
        
        运行
        
        ```bash
        # 主节点创建
        uv venv ~/mlx-cluster-venv
        uv pip install mlx mlx-lm mpi4py
        # 同步至其他节点（示例）
        for node in mac-studio-02 mac-studio-03; do
          rsync -av ~/mlx-cluster-venv "$node":~/
        done
        ```
        
    - 内存优化（按需）：
        
        bash
        
        运行
        
        ```bash
        sudo sysctl iogpu.wired_limit_mb=180000  # 192GB 机型示例，重启失效
        ```
        

---

### 二、快速部署（两种方式）

#### 方式 A：官方 mlx.launch（推荐，轻量可控）

1. **生成主机配置文件**用 `mlx.distributed_config` 自动检测 Thunderbolt 接口并生成配置（主节点执行）：
    
    bash
    
    运行
    
    ```bash
    source ~/mlx-cluster-venv/bin/activate
    mlx.distributed_config \
      --hosts mac-studio-01,mac-studio-02,mac-studio-03 \
      --over thunderbolt \
      --auto-setup \
      --output cluster_hosts.json
    ```
    
    手动配置示例（`cluster_hosts.json`）：
    
    json
    
    ```json
    [
      {"ssh": "mac-studio-01", "ips": ["192.168.2.101"]},
      {"ssh": "mac-studio-02", "ips": ["192.168.2.102"]}
    ]
    ```
    
2. **运行分布式任务**
    
    - 推理（以 mlx-lm 为例，张量并行）：
        
        bash
        
        运行
        
        ```bash
        mlx.launch \
          --hostfile cluster_hosts.json \
          --backend mpi \
          ~/mlx-cluster-venv/bin/python -m mlx_lm.generate \
          --model mlx-community/DeepSeek-V2.5-1210-3bit \
          --tensor-parallel 2 \
          --prompt "Hello, cluster!"
        ```
        
    - 训练（数据并行，需修改脚本支持分布式）：
        
        bash
        
        运行
        
        ```bash
        mlx.launch \
          --hostfile cluster_hosts.json \
          --backend ring \
          train_script.py
        ```
        

#### 方式 B：Exo（可视化，一键集群）

适合快速上手，自动做拓扑感知与 RDMA 优化：

1. 所有节点安装：
    
    bash
    
    运行
    
    ```bash
    brew install uv node macmon
    curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
    rustup toolchain install nightly
    ```
    
2. 克隆并启动：
    
    bash
    
    运行
    
    ```bash
    git clone https://github.com/exo-explore/exo && cd exo
    cd dashboard && npm install && npm run build && cd ..
    uv run exo
    ```
    
3. 访问 `http://localhost:52415`，选择 MLX 模型与并行策略，一键启动。

---

### 三、关键配置与优化

表格

|场景|推荐后端|网络|并行策略|说明|
|---|---|---|---|---|
|大模型推理|MPI|Thunderbolt 5 + RDMA|张量并行|低延迟，分片模型权重|
|小批量训练|Ring|万兆以太网|数据并行|梯度聚合快，易部署|
|超大规模模型|MPI|Thunderbolt 5 交换机|流水线 + 张量并行|结合 mlx-lm 的 pipeline_generate.py|

---

### 四、验证与排错

1. **验证集群**
    
    bash
    
    运行
    
    ```bash
    # 主节点执行，测试所有节点环境
    mlx.launch --hostfile cluster_hosts.json --backend mpi python -c "import mlx.core as mx; print(f'Rank {mx.distributed.rank()}/{mx.distributed.size()}')"
    ```
    
2. **常见问题**
    - SSH 连接失败：检查密钥、`/etc/hosts`、防火墙
    - RDMA 未启用：重新进入恢复模式执行 `rdma_ctl enable`
    - 内存不足：降低模型量化精度（4bit）、增大 `iogpu.wired_limit_mb`、使用流水线并行
    - 性能差：确认使用 Thunderbolt 5 端口，后端选 MPI，关闭节点间其他网络负载

---

### 五、生产化建议

1. 用 LaunchAgent 自动启动 Exo 或训练脚本
2. 共享模型与数据目录（NFS 或 SMB），避免重复下载
3. 监控：`top -l 1 -o cpu`、`nvtop`（Apple Silicon 版）、Exo 仪表盘
4. 备份：定期同步环境配置与训练脚本

需要我提供一个可直接运行的分布式训练脚本模板（含梯度 all-reduce 和数据分片）吗？